[发明专利]一种全连接CRF级联FCN和K均值脑肿瘤分割算法

说明书

本发明涉及一种基于深度学习和传统分割算法结合的脑肿瘤分割算法，特别是一种全连接CRF级联FCN和K均值脑肿瘤分割算法。DenseCRF将原始图像中的所有像素与FCN算法的分割结果中的每个像素进行匹配，寻找具有相同属性的像素，对输入进行补充平滑，改善分割结果的细节信息，提高分割精度。同时，在不同的分割算法中，其分割的标准也会有所不同，通过融合具有不同分割标准的深度学习算法FCN和传统分割算法K均值聚类，基于不同分割标准的算法得到的分割结果互相补充，使分割的结果更接近于真实分割图像。从而更精确地分割脑肿瘤核磁共振图像，为脑肿瘤核磁共振图像的高精度的重复性测量和评估提供更精确的肿瘤图像。

技术领域

本发明涉及一种基于深度学习和传统分割算法结合的脑肿瘤分割算法，特别是一种基于全连接条件随机场（Fully Connected Conditional Random Field，DenseCRF）后处理的级联型全卷积神经网络（Fully Convolution Neural Network，FCN)和K均值聚类算法模型融合的脑肿瘤分割算法，可用于更精确地分割脑肿瘤核磁共振图像，为脑肿瘤核磁共振图像的高精度的重复性测量和评估提供更精确的肿瘤图像。

背景技术

为了在治疗前后用神经影像学评价脑肿瘤的表现形式以及治疗的成效，不可避免地需要对病灶区域进行高精度的重复性测量和评估，那么医学图像的精准分割是测量和评估的必要步骤，但肿瘤的构造以不同的大小、延展、位置等情况在病症中出现，使得分割算法难以在形状和位置等特征上得到像正常组织一样的分割约束。基于这些因素，精确的手动分割脑肿瘤是费时费力但必要的工作，提高自动分割脑肿瘤分割算法的精准性是非常必要的工作。

随着电脑硬件的高速发展，在医学领域中，计算机辅助医学诊断方法更是已经成为医学影像、诊断放射、计算机科学中的重要研究领域，其中比传统的算法更加优秀的深度学习进入医学领域后，已经取得了不少优异的成果，但肿瘤数据集相比大多自然图像数据集拥有更复杂的不规则形状特征，而FCN的网络特点是能得到详细的最底层信息，对上层信息的采集并不理想，于是在对边缘细节上的处理较为粗糙，欠缺优化。

发明内容

本发明所要解决的技术问题是针对FCN网络在边缘细节方面的处理较为粗糙的问题，提出一种全连接CRF级联FCN和K均值脑肿瘤分割算法，使FCN网络在边缘细节得到优化，得到更为精确的分割结果。

为了实现上述目的，本发明的技术方案如下：

一种全连接CRF级联FCN和K均值脑肿瘤分割算法，包括以下步骤：

步骤一：建立级联型FCN脑肿瘤分割模型，用该模型对测试图像进行分割，获取FCN脑肿瘤图像分割结果，并对级联型FCN的每一级分割结果搜寻边缘框，并将边缘框作为下一级FCN和K均值聚类算法的边界限定框；

步骤二：对每一级FCN的分割结果进行DenseCRF后处理操作；

步骤三：使用K均值聚类算法对每一级FCN的输入图像在边界框内的部分进行分割处理，获取K均值聚类算法脑肿瘤图像分割结果；

步骤四：将每一级的FCN分割结果和K均值聚类算法的分割结果进行融合，获取脑肿瘤图像的最终分割结果。

肿瘤相比大多自然图像拥有的更复杂的不规则形状特征，FCN利用卷积、池化的操作更好的提取肿瘤的底层特征，但FCN对上层信息的采集并不理想，于是在对边缘细节上的处理较为粗糙，欠缺优化。本方法在FCN的基础上，采用DenseCRF后处理，以及与K均值聚类算法进行模型融合的方法，补充完善FCN的边缘细节的分割结果，提高分割准确率。

所述步骤一中的具体过程如下：

① 使用三个FCN来分级和顺序地分割脑肿瘤的子结构，每一级网络都处理二元分割问题；

1）选择搭建通用的FCN；